专利名称：竖炉焙烧过程智能优化设定方法
技术领域：
本发明属于自动控制技术领域，特别涉及一种竖炉焙烧过程优化设定方法。
背景技术：
在铁矿选矿生产过程中，将块状弱磁性矿物经过高温还原处理，变成强磁性矿物(Fe3O4)的过程，称为磁化焙烧。焙烧过程使用的设备为竖炉焙烧系统。衡量竖炉焙烧质量的工艺指标是磁选管回收率。影响竖炉运行和焙烧质量的三个主要工艺参数是燃烧室温度、还原煤气流量和搬出机搬出时间。目前，常规的竖炉焙烧系统的控制方法仅能实现燃烧室温度、还原煤气流量和搬出机搬出时间的基础回路控制，而无法根据工艺指标磁选管回收率的目标给出基础控制回路的优化设定值。在目前的焙烧过程中，对这三个基础控制回路的设定，主要是根据以往的生产经验人为进行。但是人为设定的参数很难或者根本不能使竖炉在最佳的状态下运行，焙烧质量很难保证，磁选管回收率很难达到一个较高的水平，造成原料的浪费和金属回收率的降低。
发明内容
为了解决以上对竖炉焙烧过程基础控制回路的优化设定问题，本发明提供了一种智能优化设定的方法，用于对竖炉的基础控制回路燃烧室温度、还原煤气流量和搬出机搬出时间进行优化设定，从而提高竖炉焙烧质量，以利于进行后续选别，提高金属回收率和精矿品位。
本发明的智能优化设定方法技术方案是这样实现的本发明所提出的智能优化设定方法由硬件平台及软件组成，硬件平台核心由竖炉及其附属设备组成，同时配备了测量仪表，执行机构以及进行软件计算的计算机系统。其中硬件的核心部分是用于焙烧矿石的竖炉、将焙烧矿从竖炉中排出的排矿辊和将矿石搬出的搬出机，排矿辊和搬出机的运行停止时间同步(工艺过程如图1所示)。
获得竖炉焙烧过程的工艺数据，是通过安装在竖炉焙烧系统上的测量仪表来实现。在竖炉燃烧室的不同位置装有热电偶或红外测温仪，用来测量燃烧室两侧的温度Ts和Tn；在还原煤气管路、加热煤气管路和加热空气管路上分别安装流量计，分别用来测量还原煤气流量LHY、加热煤气流量LHY和加热空气流量LKQ；在炉顶废气管上安装真空表，用来测量竖炉炉膛内负压PLN；在加热煤气管上安装压力计，用于测量加热煤气的压力PJR；在混合煤气总管上安装煤气热值仪，用来测量加热煤气的热值HRZ。
其执行机构包括电动调节阀，用来调节加热煤气LHY和还原煤气的流量LHY，安装在加热煤气管和还原煤气管上；变频器，用来调节鼓风机的频率FGF，与鼓风机相接。
该竖炉焙烧系统同时配置了分布式计算机控制系统(DCS)，并按照如下对应关系组成基本控制回路还原煤气调节阀控制还原煤气的流量LHY；加热煤气调节阀控制加热煤气的流量LHY，鼓风机频率FGF控制加热空气的流量LKQ，二者共同作用，可以控制燃烧室的温度TRS。
本发明的软件既可以运行在计算机控制系统的监控计算机上，也可以运行于独立的计算机上，该软件通过分布式计算机控制系统(DCS)与控制回路进行通讯，获得实时的过程数据，然后根据输入的边界条件进行智能优化，从而得到燃烧室温度、还原煤气流量和搬出时间的优化设定值。
本发明方法包括以下步骤步骤一、边界条件的输入在焙烧过程中，边界条件的确定十分重要。边界条件主要有矿石的种类，矿石焙烧难易程度，矿石的粒度等级，搬出机排矿量，竖炉老化程度。这些边界条件需要从现场中得到。
步骤二、磁选管回收率期望值的确定在进行优化设定之前，需要输入磁选管回收率的期望值，以便进行基于磁选管回收率预报的前馈校正。
步骤三、竖炉焙烧系统实时过程数据的取得选定边界条件之后，程序从监控机中取得竖炉的实时过程数据，包括当前的燃烧室温度设定TRSSP，燃烧室两侧的温度Ts和Tn以及平均温度TRSAV，当前加热煤气流量的设定LJRSP、实际流量LJR、压力PJR和阀开度VJRKD，竖炉的负压PLN，加热煤气的热值HRZ，加热空气流量的设定值LKQSP、实际流量LKQ和鼓风机变频器频率FGF，还原煤气流量的设定值LHYSP、实际流量LHY和阀开度VHYKD。
步骤四、基于案例推理的工艺参数设定(一)案例表示由于竖炉的情况各不相同，所以每一台竖炉对应一个案例数据库，每一个数据库由若干条案例记录组成。案例数据库中的每条案例记录Ck，k＝1，2…由竖炉的边界条件、实时过程数据和对应的燃烧室温度设定值、还原煤气流量设定值和搬出机搬出时间设定值组成。其中竖炉边界条件和实时过程数据组成竖炉的状况描述Xk，燃烧室温度设定、还原煤气流量设定和搬出机搬出时间组成案例的解Yk。另外，为了便于案例检索与匹配及其它案例操作的需要在案例数据库表中再增加两条属性时间和相似度，其中时间为案例获得时间，相似度为当前工况描述与案例库中该条案例的相似度。案例的表示可见表1表1案例Ck的表示
案例数据库是由以上的案例组成，每条案例的结构都是由上述的八条竖炉状况描述和三条案例的解组成。
(二)案例相似度的计算设实际的竖炉状况为XSF＝{Bi}，i＝1，…8。
对于案例Ck，k＝1，2…中每一个竖炉状况描述的记录xi(i＝1，…8)与实际的竖炉边界条件和实时过程数据之间Bi(i＝1，…8)的相似度为
sim(Bi,xi)=1-|Bi-xi|Max(Bi,xi),i=1,...8---(1)]]>对于竖炉的状况描述中的矿石种类、矿石焙烧难易程度、矿石粒度等级、搬出机排矿量和炉体老化程度，其数据记录的相似度只有0和1，所以容易计算，查询简单。对于竖炉状况描述中的燃烧室温度实际值和还原煤气实际值，其相似度取值范围则在0和1之间。
对于实际的竖炉状况描述XSF和每一条案例Ck，其相似度为SIM(XSF,Ck)=Σi=18ωisim(Bi,xi,k),k=1,2...---(2)]]>其中，Xi,k表示案例Ck中的数据记录，ωi表示竖炉状况描述的加权系数，ωi满足Σi=18ωi=1]]>(三)阈值的确定设SIMmax为所有上述求得的相似度的最大值，即SIMmax=Maxk=1,2...(SIM(XSF,Ck)),]]>那么阈值SIMv可通过下式确定SIMv=V,SIMmax≥VSIMmax,SIMmax<V]]>其中阈值V根据每台竖炉的情况由具体工艺或经验确定。
(四)案例的检索与匹配从案例数据库中检索出所有相似度SIM(XSF，Ck)≥SIMv的案例记录，并记录案例的解，以用于下一步的处理。
(五)案例重用一般情况下案例库中不存在与当前工况描述完全匹配的案例，因而检索出的匹配工况的解并不能直接作为当前工况的解，这就需要对检索得到的相似案例进行重用。具体方法如下从匹配案例中挑选出具有最大相似度SIMmax的案例并确定其个数Num。
若Num＝1，即具有最大相似度的案例只有一个，设这个案例为Cm，1≤m≤n，记匹配案例数据表中案例Cm的下一个案例为Ck，1≤k≤n，由于匹配案例检索出来的时候按“相似度”、“时间”(案例存储时间)属性值降序排序，所以Ck应具有第二大相似度并且是时间最新的一个。记案例Cm的解为Jm、相似度为SIMm，案例Ck的解为Jk、相似度为SIMk，那么当前工况描述MGK的解JGK为JGK=SIMm×Jm+SIMk×JkSIMm+SIMk---(3)]]>若Num＞1，即具有相同最大相似度的案例有多个，不妨设有l，(l＞1，l∈Z)个，假设这些案例Ci，i＝1…l按“时间”(案例存储时间)属性值降序排列为C1，C2…Cl，J1，J2…Jl为其相应的解，那么当前工况描述的解JGK为JGK=Σi=1lθi×JiΣi=1lθi---(4)]]>其中θi为本次案例重用的时间加权系数，满足θ1≥θ2≥…≥θl，可根据具体情况或经验确定。
(六)案例的解的修正将所有检索得到的解进行求取平均值的计算，得到燃烧室温度、还原煤气流量和搬出时间的初步设定。然后再根据实时过程数据进一步修正，即由当前的燃烧室温度设定TRSSP，燃烧室的平均温度TRSAV和两侧的温度Ts和Tn，当前加热煤气流量的设定LJRSP、实际流量LJR、压力PJR和阀开度VJRKD，竖炉的负压PLN，加热煤气的热值HRZ，加热空气流量的设定值LKQSP、实际流量LKQ和鼓风机变频器频率FGF，还原煤气流量的设定值LHYSP、实际流量LHY和阀开度VHYKD进行案例评价与修正；步骤五、前馈校正或反馈校正前馈校正与反馈校正模块的原理相同，都是利用模糊自适应PI控制，实现对案例解—燃烧室温度、还原煤气流量、搬出时间的校正，使竖炉焙烧的质量指标达到期望值。二者不同的是前馈校正的目标是使磁选管回收率的预报值接近期望值；而反馈校正的目标是是使磁选管回收率的化验值接近期望值。
以前馈校正为例，主要控制策略是应用如(3)式所示的PI控制。
u(k)＝u(k-1)+kp(k)·((e(k)-e(k-1))+ki(k)·e(k) (5)其中，u＝{NT，NF，TB}为控制向量，NT为燃烧室温度控制量，NF为还原煤气流量控制量，TB为还原搬出时间控制量，kp为比例系数，ki为积分系数，e为磁选管回收率的误差，k为迭代次数。
但是，竖炉的工况较复杂，参数调节方法很难统一。考虑控制效果，以及根据现场的经验，对燃烧室温度和还原煤气流量设计了PI参数的模糊自适应调节方法，对搬出时间采用单步调整方法。
表2和表3所示分别为kp和ki的模糊规则表。其中，e为误差，Δe为误差变化率，字母组合表示调整量。
表2kP的控制规则表 表3ki的控制规则表 这里进行磁选管回收率预报软件是基于专家系统结合神经网络开发的，其输入值是燃烧室温度、还原煤气流量和搬出机总搬出时间，输出值为磁选管回收率。
步骤六、案例的存储和维护经过前馈校正之后，得到最终的优化设定值。然后，记录此次的竖炉状况描述和燃烧室、还原煤气实际值，作为新的案例记录的竖炉状况描述，此次的优化设定值做为新案例的解，从而生成一条新的案例。
随着时间的推移，案例数量必然增加。需要对案例进行维护。根据案例记录的时间，定期删除一些很早的案例记录，以减少运算量。
本发明的优化设定方法是由智能优化软件的方式实现的，其流程图如图2。详细步骤如下(A)程序开始；(B)选择将要进行优化的竖炉；每台竖炉都有其代号，选择其代号就意味着将要对该竖炉进行智能优化；(C)输入竖炉的边界条件；包括矿石的种类，矿石焙烧难易程度，矿石的粒度等级，搬出机排矿量，以及竖炉的老化程度；(D)输入期望的磁选管回收率；(E)取得实时过程数据；即程序从监控机中取得竖炉的实时过程数据，包括当前的燃烧室温度设定TRSSP，燃烧室两侧的温度Ts和Tn以及平均温度TRSAV，当前加热煤气流量的设定LJRSP、实际流量LJR、压力PJR、阀开度VJRKD，竖炉的负压PLN、加热煤气的热值HRZ，加热空气流量的设定值LKQSP、实际流量LKQ、鼓风机变频器频率FGF，还原煤气流量的设定值LHYSP、实际流量LHY、阀开度VHYKD；(F)进行案例相似度的计算；即通过(1)式计算当前案例与案例库中的案例的相似程度，以及通过(2)式找出相似程度最大的案例；(G)确定阈值；即确定一个案例库中的案例与当前案例匹配的程度的界限；(H)案例检索与匹配；从案例数据库中检索出所有相似度大于阈值的案例记录，并记录案例的解，以用于下一步的处理；(I)案例重用；将上一步的得到的多个案例解进行加权计算，构造成一个新的案例解；(J)案例解的修正；根据竖炉的实际情况对案例的解进行调整；(K)磁选管回收率化验值存在？是，进行L；否，转到M；(L)反馈校正。根据磁选管回收率的化验值和期望值的差异，利用模糊PI方法对燃烧室温度、还原煤气流量和搬出时间进行调整；(M)前馈校正。根据磁选管回收率的预报值和期望值的差异，利用模糊PI方法对燃烧室温度、还原煤气流量和搬出时间进行调整；(N)将设定值数据下装；将处理好的案例的解通过DCS传递给竖炉的基础控制回路，对燃烧室温度、还原煤气流量和搬出机搬出时间进行优化设定，(O)案例的存储与维护；将本次的案例解以及对应的竖炉工况描述最为一个新的案例，加入到案例库中；根据案例记录的时间，定期删除一些很早的案例记录，以减少运算量。
(P)继续优化？是，转到B；否，继续Q；(Q)结束。
其中步骤M的流程图如图3。详细过程如下a)程序开始；b)前馈或反馈校正？如果是前馈校正，则继续c，如果是反馈校正，则转向d；c)预报磁选管回收率ε；利用磁选管回收率预报软件对当前情况下对应的磁选管回收率进行预报；d)输入磁选管回收率ε；e)|ε-ε0|＜0.05？如果磁选管回收率的化验值或预报值与磁选管回收率期望值之差小于0.05，则转向j，反之则进行f；f)计算KTp(k)、KTi(k)、KFp(k)、KFi(k)、ΔTB(k)；g)计算ΔNT(k)＝KTp(k)Δe(k)+KTi(k)e(k)，ΔNF(k)＝KFp(k)Δe(k)+KFi(k)e(k)；h)计算NT(k)＝NT(k-1)+ΔNT(k)，NF(k)＝NF(k-1)+ΔNF(k)，TB(k)＝TB(k-1)+ΔTB(k)；i)k＜K0？判断迭代次数是否小于给定值，如果是，则进行j，如果否，则转向c；j)结束。
本发明的优点在于利用计算机系统和常规的检测仪表提供的在线过程数据，基于案例推理的方法实现了复杂工业过程——竖炉焙烧系统的优化控制。实现了基础控制难以达到的用户对复杂工业生产过程的最终需求，如对产品质量的期望等。与常规控制相比，这种方法不过分依赖于生产过程的数学模型，容易适应复杂工况条件的变化。与人工操作相比，减少了操作人员的工作量，避免了依靠经验生产的主观性和随意性，使产品质量及其它生产指标得到了有效可靠的保证。由于案例库不断有代表最新工况的新的案例加入，不适应工况的旧案例又不断删减替换，所以本发明的智能优化设定方法具有很强的自适应和自学习能力。另外，由于本发明针对不同的边界条件用不同的案例来进行推理，所以适用面广，优化设定量也更精确。该方法能够实现竖炉焙烧系统的优化控制和优化运行。给生产带来巨大的经济效益与社会效益，并在复杂工业过程中具有推广应用价值。
图1竖炉焙烧的流程、测量仪表及计算机配置图；图2竖炉焙烧智能优化设定程序流程图；图3前馈校正与反馈校正程序流程图；图1中所用标记符号如下TRS燃烧室温度，LJR加热煤气流量，PJR加热煤气压力，LKQ加热空气流量，HRZ煤气热值，LHY还原煤气流量，PLN炉内负压，tBC搬出时间，KT热电偶，HT热值仪，PT压力计，NT真空计，AT、LT、QT流量计，LP鼓风机，JV、HV调节阀。
图3中所用标记符号如下k迭代次数，KTp燃烧室温度控制的比例系数，KTi燃烧室温度控制的积分系数，KFp还原煤气流量控制的比例系数，KFi还原煤气流量控制的积分系数，ΔTB搬出时间的调整量，ΔNT燃烧室温度控制增量，e(k)磁选管回收率的偏差，Δe(k)＝e(k)-e(k-1)磁选管回收率偏差的增量，NT燃烧室温度控制的调整量，NF还原煤气流量的调整量，TB搬出时间的调整量，K0给定的迭代次数。
具体实施例方式
以某大型铁矿选矿厂的竖炉磁化焙烧工段为例，该选矿厂的主要铁矿石为黄铁矿、褐铁矿，脉石以重晶石、石英、碧玉及铁白云石为主，矿石实际含铁品位33％，竖炉焙烧的目的是将弱磁性的赤铁矿(Fe2O3)还原成强磁性的磁铁矿(Fe3O4)，使它能在选别强磁性矿物的低磁场强度的磁选机上进行选别，达到提高金属回收率。
按照本说明书的要求安装如下的测量仪表，包括四个镍铬硅—镍硅镁热电偶，用于在线测量燃烧室温度TRS；一个威力巴流量计，用于在线测量加热煤气流量LJR；一个威力巴流量计，用于在线测量加热空气流量LKQ；一个3051差压变送器，用于在线测量加热煤气压力PJR；
一个威力巴流量计，用于在线测量还原煤气流量LHY；一个1151压力变送器，用于在线测量炉内负压PLN；一个煤气热值分析仪，用于在线测量煤气热值HRZ。
以可编程控制器(PLC)实现基础控制回路和搬出时间tBC的自动控制，并读取上述的过程数据。在监控计算机中以RSView32软件实现监控人机界面。该竖炉焙烧系统的正常工作范围为台时处理量——22～27吨/(台·小时)燃烧室温度——1050～1200℃还原矿石温度——550～600℃废气温度——＜100℃煤气热值——4600～5000KJ/m3煤气压力——4800～5200Pa优化设定程序用RSView32提供的VBA应用软件编制。优化设定软件在单独的优化计算机上运行，该计算机上装有RSLinx通讯程序负责与PLC和上位机进行数据通讯，RSLinx与优化设定程序之间通过DDE方式进行双向通讯。
按照本说明书所述的实现方法，首先选择要优化的竖炉，然后输入边界条件和期望的磁选管回收率，进而进行优化设定。
本发明方法的具体实现过程如下步骤一、边界条件的输入，输入矿石的种类＝1，矿石焙烧难易程度＝1，矿石的粒度等级＝0.5，1号搬出机排矿量＝0.5，2号搬出机排矿量＝0.5，竖炉老化程度＝0.5；步骤二、磁选管回收率期望值＝83.0步骤三、竖炉焙烧系统实时过程数据的取得当前的燃烧室温度设定TRSSP＝1095，燃烧室两侧的温度Ts＝1042，Tn＝1038，平均温度TRSAV＝1040，当前加热煤气流量的设定LJRSP＝4238，实际流量LJR＝4156，压力PJR＝5.8，阀开度VJRKD＝0.75，竖炉的负压PLN＝2.8，加热煤气的热值HRZ＝5700，加热空气流量的设定值LKQSP＝4200、实际流量LKQ＝4213，鼓风机变频器频率FGF＝40，还原煤气流量的设定值LHYSP＝2300、实际流量LHY＝2109和阀开度VHYKD＝75。
步骤四、基于案例推理的工艺参数设定(一)案例表示表1案例C78的表示
(二)案例相似度的计算根据(1)(2)两式算得SIM(XSF，C78)＝0.9885；其中，竖炉状况描述加权系数的取值为矿石种类加权系数——ω1＝0.2；矿石焙烧难易程度加权系数——ω2＝0.2；矿石粒度等级加权系数——ω3＝0.2；搬出机排矿量加权系数——ω4，ω5＝0.05；炉体老化程度加权系数——ω6＝0.05；燃烧室温度实际值加权系数——ω7＝0.15；还原煤气流量实际值加权系数——ω8＝0.1。
(三)阈值的确定SIMv＝0.98(四)案例重用根据(3)(4)两式计算出案例解JGK＝{1159，2324，244}；(五)案例的解的修正根据实际现场的数据调整案例解，例如当前还原煤气的阀门开度已经接近最大，而其实际流量较设定值差距较大，因此，还原煤气流量的设定值调整为2290，即修正后的案例解为JGK＝{1159，2290，244}；步骤五、前馈校正根据(5)式算得前馈校正后的结果为JGK＝{1160，2290，277}，此时的磁选管回收率预报值为82.96，比较接近期望值。
步骤六、案例的存储和维护经过前馈校正之后，得到最终的优化设定值。然后，记录此次的竖炉状况描述和燃烧室、还原煤气实际值，作为新的案例记录的竖炉状况描述，此次的优化设定值做为新案例的解，从而生成一条新的案例。
本软件在竖炉焙烧系统正常运行期间，对其主要工艺参数进行优化设定，使磁选管回收率的化验值能够达到或超过期望值，焙烧质量得到很大提高，成为一个低成本却有很高实用价值的竖炉焙烧主要参数设定方法。
权利要求
1.一种竖炉焙烧过程智能优化设定方法，其特征在于在竖炉焙烧系统安装检测仪表和执行机构，通过与控制计算机或数据采集器进行通讯，获得实时的过程数据，对竖炉焙烧系统工艺参数进行智能优化设定，其方法包括以下步骤(1)输入边界条件，(2)确定磁选管回收率期望值，(3)获取竖炉焙烧系统实时过程数据，(4)基于案例推理的参数设定，(5)基于磁选管回收率预报或化验值的前馈校正，(6)案例的存储与维护。
2.根据权利要求1所述的竖炉焙烧过程智能优化设定方法，其特征在于步骤(4)所述基于案例推理的参数设定包括案例表示，案例相似度计算，阈值的确定，案例的检索与匹配，案例重用，案例的解的修正。
3.权利要求2所述竖炉焙烧过程智能优化设定方法，其特征在于所述案例表示包括案例获得时间、竖炉状况描述、案例的解，其中竖炉状况描述包括竖炉边界条件和实时过程数据，案例的解包括燃烧室温度设定，还原煤气流量设定和搬出机搬出时间。
4.权利要求2所述竖炉焙烧过程智能优化设定方法，其特征在于所述案例相似度计算依下式进行设实际的竖炉状况为XSF＝{Bi}，i＝1，…8，对于案例Ck，k＝1，2…中每一个竖炉状况描述的记录xi(i＝1，…8)与实际的竖炉边界条件和实时过程数据之间Bi(i＝1，…8)的相似度为sim(Bi,xi)=1-|Bi-xi|Max(Bi,xi),i=1,...8---(1)]]>对于实际的竖炉状况描述XSF和每一条案例Ck，其相似度为SIM(XSF,Ck)=Σi=18ωisim(Bi,xi,k),k=1,2...---(2)]]>其中，xi，k表示案例Ck中的数据记录，ωi表示竖炉状况描述的加权系数，ωi满足Σi=18ωi=1.]]>
5.权利要求2所述竖炉焙烧过程智能优化设定方法，其特征在于所述阈值的确定设SIMmax为所有上述求得的相似度的最大值，即SIMmax=Maxk=1,2···(SIM(XSF,Ck)),]]>则阈值可通过下式确定SIMv=V,SIMmax≥VSIMmax,SIMmax<V]]>其中阈值V根据每台竖炉的情况由具体工艺或经验确定。
6.根据权利要求2所述竖炉焙烧过程智能优化设定方法，其特征在于所述案例重用是从匹配案例中挑选出具有最大相似度SIMmax的案例并确定其个数Num，若Num＝1，即具有最大相似度的案例只有一个，设这个案例为Cm，1≤m≤n，记匹配案例数据表中案例Cm的下一个案例为Ck，1≤k≤n，由于匹配案例检索出来的时候按“相似度”、案例存储时间属性值降序排序，所以Ck应具有第二大相似度并且是时间最新的一个，即案例Cm的解为Jm、相似度为SIMm，案例Ck的解为Jk、相似度为SIMk，那么当前工况描述MGK的解JGK为JGK=SIMm×Jm+SIMk×JkSIMm+SIMk---(3)]]>若Num＞1，即具有相同最大相似度的案例有多个，不妨设有l，(l＞1，l∈Z)个，假设这些案例Ci，i＝1…l按案例存储时间属性值降序排列为C1，C2…Cl，J1，J2…Jl为其相应的解，那么当前工况描述的解JGK为JGK=Σi=1lθi×J1Σi=1lθi---(4)]]>其中θi为本次案例重用的时间加权系数，满足θ1≥θ2≥…≥θl。
7.根据权利要求2所述竖炉焙烧过程智能优化设定方法，其特征在于所述案例解的修正，是将所有检索得到的解进行求取平均值的计算，得到燃烧室温度、还原煤气流量和搬出时间的初步设定；然后再根据实时过程数据进一步修正，即由当前的燃烧室温度设定TRSSP，燃烧室的平均温度TRSAV和两侧的温度Ts和Tn，当前加热煤气流量的设定LJRSP、实际流量LJR、压力PJR和阀开度VJRKD，竖炉的负压PLN，加热煤气的热值HRZ，加热空气流量的设定值LKQSP、实际流量LKQ和鼓风机变频器频率FGF，还原煤气流量的设定值LHYSP、实际流量LHY和阀开度VHYKD进行案例评价与修正。
8.根据权利要求1所述的竖炉焙烧过程智能优化设定方法，其特征在于实施该方法按以下步骤执行(A)程序开始；(B)选择将要进行优化的竖炉；每台竖炉都有其代号，选择其代号就意味着将要对该竖炉进行智能优化；(C)输入竖炉的边界条件；包括矿石的种类，矿石焙烧难易程度，矿石的粒度等级，搬出机排矿量，以及竖炉的老化程度；(D)输入期望的磁选管回收率；(E)取得实时过程数据；即程序从监控机中取得竖炉的实时过程数据，包括当前的燃烧室温度设定TRSSP，燃烧室两侧的温度Ts和Tn以及平均温度TRSAV，当前加热煤气流量的设定LJRSP、实际流量LJR、压力PJR、阀开度VJRKD，竖炉的负压PLN、加热煤气的热值HRZ，加热空气流量的设定值LKQSP、实际流量LKQ、鼓风机变频器频率FGF，还原煤气流量的设定值LHYSP、实际流量LHY、阀开度VHYKD；(F)进行案例相似度的计算；即通过(1)式计算当前案例与案例库中的案例的相似程度，以及通过(2)式找出相似程度最大的案例；(G)确定阈值；即确定一个案例库中的案例与当前案例匹配的程度的界限；(H)案例检索与匹配；从案例数据库中检索出所有相似度大于阈值的案例记录，并记录案例的解，以用于下一步的处理；(I)案例重用；将上一步的得到的多个案例解进行加权计算，构造成一个新的案例解；(J)案例解的修正；根据竖炉的实际情况对案例的解进行调整；(K)磁选管回收率化验值存在？是，进行L；否，转到M；(L)反馈校正，根据磁选管回收率的化验值和期望值的差异，利用模糊PI方法对燃烧室温度、还原煤气流量和搬出时间进行调整；(M)前馈校正，根据磁选管回收率的预报值和期望值的差异，利用模糊PI方法对燃烧室温度、还原煤气流量和搬出时间进行调整；(N)将设定值数据下装；将处理好的案例的解通过DCS传递给竖炉的基础控制回路，对燃烧室温度、还原煤气流量和搬出机搬出时间进行优化设定，(O)案例的存储与维护；将本次的案例解以及对应的竖炉工况描述最为一个新的案例，加入到案例库中；根据案例记录的时间，定期删除一些很早的案例记录，以减少运算量，(P)继续优化？是，转到B；否，继续Q；(Q)结束。
9.根据权利要求8所述的竖炉焙烧过程智能优化设定方法，其特征在于所述步骤(M)包括以下具体步骤a)程序开始；b)前馈或反馈校正？如果是前馈校正，则继续c，如果是反馈校正，则转向d；c)预报磁选管回收率ε；利用磁选管回收率预报软件对当前情况下对应的磁选管回收率进行预报；d)输入磁选管回收率ε；e)|ε-ε0|＜0.05？如果磁选管回收率的化验值或预报值与磁选管回收率期望值之差小于0.05，则转向j，反之则进行f；f)计算燃烧室温度控制的比例系数KTp(k)，燃烧室温度控制的积分系数KTi(k)，还原煤气流量控制的比例系数KFp(k)，还原煤气流量控制的积分系数KFi(k)以及搬出时间的调整量ΔTB(k)；g)计算ΔNT(k)＝KTp(k)Δe(k)+KTi(k)e(k)，ΔNF(k)＝KFp(k)Δe(k)+KFi(k)e(k)；h)计算NT(k)＝NT(k-1)+ΔNT(k)，NF(k)＝NF(k-1)+ΔNF(k)，TB(k)＝TB(k-1)+ΔTB(k)；i)k＜K0？判断迭代次数是否小于给定值，如果是，则进行j，如果否，则转向c；j)结束。
全文摘要
一种竖炉焙烧过程智能优化设定的方法，包括边界条件的输入、磁选管回收率期望值的确定、竖炉焙烧系统实时过程数据的取得、基于案例推理的参数设定、基于磁选管回收率预报的前馈校正、基于磁选管回收率化验值的反馈校正、案例的存储与维护等步骤。该方法利用常规计算机控制系统和常规的检测仪表提供的在线过程数据结合人工采样数据，建立了基于案例分析的竖炉焙烧系统主要工艺参数智能优化设定模型，实现了面向生产指标的竖炉焙烧系统的优化控制，与人工操作相比，减少了操作人员的工作量，避免了依靠经验生产的主观性和随意性，使产品质量及其它生产指标得到了有效可靠的保证。该方法具有很强的自适应和自学习能力。适用面广，优化设定量更精确。
文档编号F27B1/00GK1746604SQ20051004744
公开日2006年3月15日 申请日期2005年10月19日 优先权日2005年10月19日
发明者柴天佑, 田雪咏, 严爱军, 吴峰华, 岳恒, 丁进良 申请人:东北大学